Realizing Common Random Numbers: Event-Keyed Hashing for Causally Valid Stochastic Models

Este artículo demuestra que el uso de generadores de números aleatorios con estado en modelos basados en agentes distorsiona las comparaciones contrafactuales causales al vincular las semillas aleatorias al orden de ejecución en lugar de a los eventos, y propone una solución basada en identificadores de eventos y generadores basados en contadores para restaurar la coherencia causal.

Lo esencial

Imagina que eres un director de cine que quiere comparar dos versiones de una misma película: la Versión A (donde el héroe no se vacuna) y la Versión B (donde el héroe sí se vacuna).

Tu objetivo es saber exactamente cuánto mejor le fue al héroe gracias a la vacuna. Para hacerlo justo, decides rodar ambas películas con el mismo guion, los mismos actores y, lo más importante, el mismo "azar". Si en la Versión A, el héroe tropieza porque un gato cruzó la calle, en la Versión B también debe tropezar con ese mismo gato. Así, cualquier diferencia en el final se debe realmente a la vacuna, no a que en una película llovía y en la otra hacía sol.

En el mundo de la ciencia, esto se llama Agentes Basados en Modelos (ABM) y la técnica de usar el mismo "azar" se llama Números Aleatorios Comunes (CRN).

El Problema: El Reloj que se Desincroniza

El problema que descubren los autores de este artículo es que, en la práctica, los científicos usan una herramienta llamada Generador de Números Aleatorios (PRNG) que funciona como un reloj de arena con una sola cuenta.

Imagina que tienes una lista de eventos aleatorios numerada del 1 al 1000:

1. ¿Llueve?
2. ¿El héroe tropieza?
3. ¿El villano aparece?
4. ¿El héroe se cura?

En la Versión A (sin vacuna), el héroe se enferma. Como se enferma, el guion le pide al reloj que consulte el número 50 para ver cuánto tarda en curarse. Luego, el villano aparece en el número 51.

En la Versión B (con vacuna), el héroe no se enferma. Como no se enferma, el guion salta la consulta del número 50 (porque no necesita saber cuánto tarda en curarse). ¡Pum! Ahora, cuando llega el momento de que aparezca el villano, el reloj le da el número 50 en lugar del 51.

¿Qué pasó?
El villano en la Versión B recibió un "azar" diferente (el número 50) que el villano en la Versión A (el número 51), simplemente porque el héroe se enfermó o no.

Esto es un desastre para la ciencia. Ahora no estás comparando "la misma película con y sin vacuna". Estás comparando dos películas donde, por un error de sincronización, el villano tiene un destino diferente. El resultado es que no puedes saber si la vacuna funcionó o no, porque el "azar" se desalineó.

Los autores llaman a esto "dependencia del camino de ejecución". Básicamente, el destino de un evento depende de qué eventos pasaron antes, en lugar de depender de qué evento es.

La Solución: El Sistema de "Etiquetas de Identidad"

Para arreglar esto, los autores proponen dejar de usar el "reloj de arena" (que avanza paso a paso) y usar un sistema de etiquetas de identidad únicas, como si cada evento tuviera su propio código de barras.

Imagina que en lugar de decir "toma el siguiente número de la lista", le dices al ordenador:

"Para el evento 'Villano aparece en la plaza a las 3 PM', usa siempre el número aleatorio X."

No importa si el héroe se enfermó antes o no. No importa si el guion saltó pasos. Si el evento es "Villano en la plaza", el sistema busca su etiqueta única y le asigna el mismo número aleatorio X en ambas versiones de la película.

Esto se logra usando un tipo especial de generador de números aleatorios (llamado basado en contadores) combinado con identificadores de eventos.

¿Por qué es esto tan importante?

1. Justicia en la Comparación: Ahora, si comparamos la Versión A y la B, sabemos que cualquier diferencia en el resultado se debe realmente a la vacuna, y no a que el "azar" se movió de lugar.
2. Causalidad Real: En ciencia, queremos saber qué pasaría si cambiamos una cosa (la vacuna) y dejamos todo lo demás igual. El método antiguo rompía esa regla porque cambiaba el "azar" sin querer. El nuevo método respeta la regla: "todo igual, excepto la vacuna".
3. Eficiencia: Al mantener el "azar" alineado, las comparaciones son mucho más precisas y requieren menos simulaciones para obtener resultados fiables.

En resumen

Los autores nos dicen: "Dejen de usar un generador de números aleatorios que avanza como una fila de personas (donde si alguien se va, todos se mueven). Usen un sistema donde cada evento tenga su propia tarjeta de identificación, para que siempre reciba el mismo destino, sin importar qué pasó antes en la historia."

Es como pasar de un sistema de turnos desordenado a un sistema de citas donde, sin importar si el paciente anterior llegó tarde o temprano, tu cita siempre es a la misma hora y con el mismo doctor. Así, la ciencia puede decir con certeza: "La vacuna funcionó".

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Realizing Common Random Numbers: Event-Keyed Hashing for Causally Valid Stochastic Models", estructurado según los puntos solicitados.

1. El Problema: Incoherencia Causal en Modelos Basados en Agentes (MBA)

Los Modelos Basados en Agentes (MBA) se utilizan ampliamente para estimar efectos causales de tratamientos mediante la simulación de escenarios contrafactuales (por ejemplo, "¿qué pasaría si vacunamos a la población?"). Para reducir la varianza en estas estimaciones, se utiliza una técnica estándar llamada Números Aleatorios Comunes (CRN, por sus siglas en inglés). La idea de los CRN es acoplar las réplicas de simulación entre diferentes escenarios (base vs. intervención) compartiendo las mismas entradas aleatorias, de modo que las diferencias en los resultados se deban únicamente a la intervención y no al ruido estocástico.

El fallo fundamental:
En la práctica, los investigadores implementan CRN reutilizando la misma semilla base para los Generadores de Números Pseudoaleatorios (PRNG) con estado (como Mersenne Twister). Esto asume implícitamente que el mismo índice de extracción en la secuencia aleatoria corresponde al mismo evento modelado en todos los escenarios.

Sin embargo, los PRNG con estado son dependientes de la ruta de ejecución:

1. Cada llamada a la función de generación de números aleatorios avanza el estado interno del generador.
2. Si una intervención altera el flujo de control del código (por ejemplo, una vacuna previene una infección, evitando así la llamada a una función para dibujar el periodo de incubación), el número de llamadas previas al PRNG cambia.
3. Esto desplaza todos los índices de extracción posteriores. Como resultado, un evento específico (ej. "el agente 2 se infecta") recibe un número aleatorio diferente en el escenario de intervención que en el escenario base, incluso si la semilla es la misma.

Consecuencia: Esto viola la premisa de los Modelos Causales Estructurales (SCM). En un SCM válido, las intervenciones deben modificar las ecuaciones estructurales o los parámetros, pero mantener fijos los términos de ruido exógeno ($U$). La dependencia del índice de extracción hace que el ruido exógeno dependa del historial de ejecución, creando una estructura causal programática que no coincide con la estructura científica intencionada, haciendo que las comparaciones contrafactuales individuales sean incoherentes.

2. Metodología: Formalización y Solución Propuesta

Los autores abordan el problema desde dos perspectivas: teórica (SCM) y técnica (implementación de PRNG).

A. Formalización Teórica (SCM)

Utilizan el marco de los Modelos Causales Estructurales de Judea Pearl para demostrar que:

• Un MBA debe satisfacer la invarianza de ejecución: para cualquier evento estocástico $e$, el valor del ruido exógeno $U_e$ debe ser una función determinista de la semilla $s$ y de un identificador de evento estable ($event\_ide$), independiente del historial de ejecución.
  $$U_e = g(s, event\_ide)$$
• Los PRNG con estado violan esto porque $U_e$ depende del índice de extracción $K_e$, que es una variable endógena dependiente de eventos anteriores (ej. $K_2 = 2 + I_1$, donde $I_1$ es si el agente 1 se infectó). Esto introduce caminos causales espurios en el modelo.

B. Solución Técnica: Generación de Números Aleatorios Clave por Evento

Proponen reemplazar los PRNG con estado por Generadores de Números Aleatorios Basados en Contadores (Counter-Based PRNGs), como Philox o Threefry, combinados con identificadores de eventos.

• Mecanismo: En lugar de mantener un estado mutable, estos generadores son funciones puras: $R = g(key, counter)$.
• Implementación:
  • La key es la semilla global (define el "mundo" o escenario).
  • El counter se reemplaza por un identificador de evento único (ej. hash de la tupla (tipo_evento, agente_id, tiempo)).
• Ventaja: Esto desacopla la generación de números aleatorios del orden de ejecución. Incluso si una intervención cambia el flujo de control (saltando pasos), la llamada a un evento específico siempre utiliza el mismo identificador, garantizando que $U_e$ sea idéntico en todos los escenarios contrafactuales.

3. Contribuciones Clave

1. Identificación de una Falacia Causal: Demuestran que el uso estándar de PRNG con estado en MBAs no es solo un problema de eficiencia estadística, sino un error fundamental de diseño que invalida la coherencia causal de las comparaciones contrafactuales a nivel individual.
2. Definición de Invarianza de Ejecución: Introducen y formalizan el concepto de "invarianza de ejecución" como un requisito necesario para que un modelo basado en agentes sea un SCM válido bajo intervenciones.
3. Propuesta de Arquitectura Event-Keyed: Proponen una metodología robusta que combina generadores basados en contadores con identificadores de eventos explícitos para restaurar la estructura causal deseada.
4. Guía de Diseño de Identificadores: Discuten las implicaciones semánticas de cómo se definen los "eventos" (ej. ¿es el evento el "oportunidad de contacto" o la "interacción con un agente específico"?). Esto obliga al modelador a tomar decisiones explícitas sobre la identidad transmundial de los eventos, en lugar de dejar que el código lo decida implícitamente.

4. Resultados y Evidencia

• Análisis de un Modelo de Infección Toy:
  • Escenario: Un modelo donde la vacunación de un agente 1 puede prevenir su infección.
  • Con PRNG con estado: Si el agente 1 no se infecta (debido a la vacuna), no se genera un número aleatorio para su periodo de incubación. Esto desplaza la secuencia para el agente 2, haciendo que el agente 2 use un número aleatorio diferente en el escenario de vacunación que en el base. Esto crea una correlación espuria entre la infección del agente 1 y el ruido del agente 2.
  • Con PRNG Event-Keyed: El agente 2 siempre usa el mismo identificador de evento (ej. hash("infeccion", 2)), independientemente de si el agente 1 se infectó o no. El ruido exógeno $U_2$ permanece constante, preservando la causalidad.
• Análisis de Principales Estratos: Muestran que solo con la invarianza de ejecución se pueden identificar correctamente los estratos principales (ej. "siempre infectado", "prevenible", "nunca infectado") a nivel de evento, lo cual es imposible con PRNGs con estado debido al ruido desalineado.
• Rendimiento: Citan que los generadores basados en contadores (como Threefry) son comparables en velocidad a los PRNG con estado tradicionales y ofrecen ventajas adicionales en entornos de computación paralela.

5. Significado e Impacto

Este trabajo tiene implicaciones profundas para la epidemiología, la economía y el análisis de políticas que utilizan modelos estocásticos:

• Validez Científica: Corrige una falla sistémica que podría estar sesgando las estimaciones de efectos de tratamiento a nivel individual en miles de estudios existentes. Garantiza que las simulaciones respondan a la pregunta correcta: "¿Qué pasaría con este mismo individuo bajo una intervención diferente, manteniendo todo lo demás (el azar) constante?".
• Eficiencia Estadística: Restaura la capacidad de los CRN para reducir la varianza de manera predecible. Sin invarianza de ejecución, el uso de semillas comunes puede incluso aumentar la varianza o producir covarianzas negativas.
• Paradigma de Programación: Promueve un cambio hacia la programación funcional en la simulación estocástica, donde la generación de números aleatorios se trata como una función pura de sus entradas en lugar de un efecto secundario de un estado mutable.
• Reproducibilidad y Depuración: Al hacer explícita la relación entre eventos y ruido, el modelo se vuelve más fácil de depurar, paralelizar y auditar, eliminando la "magia negra" de los estados internos de los PRNG.

En resumen, el artículo argumenta que para que los Modelos Basados en Agentes sean herramientas válidas para la inferencia causal, deben abandonar los PRNG con estado tradicionales y adoptar esquemas de generación de números aleatorios basados en identificadores de eventos estables.